در این مقاله سعی شده است، داده‌های مربوط به نانوسیالات با استفاده از مدل‌های هوش مصنوعی توسعه داده شود و مدلی بهینه به جهت تخمین و محاسبه ضریب هدایت حرارتی برای نانوسیالات معرفی شود. لذا داده‌های تجربی آزمایشات مبتنی بر نانوذرات Al2O3، CuO، TiO2، Fe2O3در سیال پایه آب مقطر برای درصدهای حجمی 0/02 تا 2 در دماهای مختلف اندازه‌گیری شد و به همراه داده‌های کتابخانه‌ای به‌عنوان ورودی مدل‌ها استفاده شد. غلظت نانوسیال، دما، چگالی و ویسکوزیته اطلاعات ورودی به مدل‌ها بودند و پارامتر ضریب هدایت حرارتی نانوسیال خروجی مدل‌ها می‌باشد. در مجموع 268 سری داده به‌عنوان ورودی مدل‌ها تعریف شد، که 70 درصد صرف آموزش و 30 درصد برای صحه‌گذاری استفاده شد. با پنج حالت مختلف شامل شبکه عصبی مصنوعی با تابع فعالسازی ANN-Trainlm، ANN-Trainbr، ANN-Trainscg، شبکه حافظه کوتاه مدت طولانی (LSTM) و رگرسیون بردار پشتیبان (RVS) برای مدل‌سازی بررسی شد. نتایج نشان داد، LSTM تطابق بسیار مطلوب‌تری با داده‌های تجربی دارد، زیرا مقادیر ارزیابی شامل ضریب رگرسیون (R2)، خطای جذر میانگین مربعات (RSME) و درصد میانگین مطلق خطا (MAPE) به‌ترتیب مقادیر 0/9764، 0/0313 و 0/0819 را به خود اختصاص دادند.
Amirahmadi H, Nobakhti M, Salehi G. Evaluating the effectiveness of artificial neural network models for estimating and calculating the conductive heat transfer coefficient in nanofluids. تبدیل انرژی 2025; 12 (2) :69-86 URL: http://jeed.dezful.iau.ir/article-1-507-fa.html
امیراحمدی حسن، نوبختی محمدحسن، صالحی غلامرضا. ارزیابی کارآیی مدل‌های شبکه‌های عصبی مصنوعی برای تخمین و محاسبه ضریب انتقال حرارت هدایتی در نانوسیالات. مهندسی مکانیک تبدیل انرژی. 1404; 12 (2) :69-86
.jpg)
